在 IoT、边缘和云层之间进行资源管理，需要在约束条件不断变化的情况下持续做出上下文感知的决策。深度强化学习（DRL）能够有效处理此类问题，而大语言模型（LLM）正日益被用于增强 DRL 流水线，但两者的架构关系往往未被明确阐述。我们在 Wang 等人提出的“连续体编排系统”分类基础上，加入了 AI 增强范式 与 反馈通道 两个维度。前者衡量 LLM 的利用方式，后者描述执行反馈是否以及通过何种系统路径返回 LLM，以在 LLM 编排层闭合 MAPE 控制环路。我们将该分类应用于六个近期系统架构，发现它们普遍缺乏 全 LLM 编排 + 完整代理层反馈 的组合，导致在云连续体环境中出现空白。我们将此空白归因于缺失跨层级的反馈抽象——该抽象需要在不可比的层级信号与 LLM 编排器之间搭建桥梁。
点评